AI 工程师技能

技能概述

构建生产级大语言模型应用、高级 RAG 系统和智能 AI 代理的专家级技能，涵盖向量搜索、多模态 AI 和企业 AI 集成。

适用场景

1. 企业知识库与智能问答 构建基于企业文档的 RAG 系统，实现精准的语义检索和智能问答，支持多种文档格式和混合搜索策略。

2. AI 智能体与自动化工作流 设计多智能体协作系统，实现复杂的任务编排和工具调用，适用于客服机器人、研究助手和业务自动化场景。

3. LLM 应用生产化部署 将大语言模型集成到生产环境，包括成本优化、性能调优、安全监控和灰度发布，确保系统稳定可靠。

核心功能

1. 高级 RAG 系统架构 支持多阶段检索管道、混合向量搜索、查询优化和上下文压缩。集成主流向量数据库（Pinecone、Qdrant、Weaviate），实现高准确率的知识检索。

2. AI 智能体框架开发 基于 LangChain、LangGraph、LlamaIndex 和 CrewAI 构建复杂的智能体系统，支持多模态工具调用、记忆管理和状态编排。

3. 生产级 AI 系统运维 提供完整的监控、缓存、降级和成本控制方案，支持流式推理、A/B 测试和模型路由，确保大规模部署的稳定性。

常见问题

AI 工程师技能适合什么场景使用？

适合所有需要集成大语言模型的场景，包括企业知识库问答、智能客服、内容生成、代码助手、数据分析等。尤其擅长需要高准确率检索和复杂推理的生产级应用。

如何构建生产级的 RAG 系统？

核心组件包括：文档处理与 chunking 策略、向量数据库选型、嵌入模型选择、混合检索（向量+关键词）、重排序优化，以及查询理解和上下文压缩。该技能提供从架构设计到性能调优的完整方案。

LLM 应用如何控制成本？

通过模型选择策略（GPT-4o/Claude/开源模型组合）、语义缓存、提示优化、批处理和监控告警来降低成本。该技能内置成本优化最佳实践，支持根据场景自动选择最经济的模型。

向量数据库应该选择哪个？

根据规模和需求选择：Pinecone 适合快速上线，Qdrant 适合自部署，Weaviate 提供丰富的过滤功能，pgvector 适合已有 PostgreSQL 的场景。该技能支持所有主流向量数据库，可提供选型建议。

多智能体系统如何设计？

采用角色分工、协作编排和记忆共享模式。支持单一智能体完成简单任务，多智能体协作处理复杂工作流。基于 LangGraph 和 CrewAI 实现状态管理和任务分发。

AI 应用如何保证安全性？

内置多层安全防护：内容审核、提示注入检测、PII 识别脱敏、访问控制和审计日志。支持合规性检查和红队测试，确保企业级安全要求。

RAG 系统如何提升检索准确率？

采用混合检索（向量+BM25）、查询扩展和分解、重排序模型、上下文压缩和负反馈优化。该技能支持 GraphRAG、HyDE 等高级模式，显著提升检索质量。

企业部署 LLM 应用的最佳实践是什么？

采用渐进式部署：POC 验证、小规模试点、灰度发布和全量上线。重点关注可观测性、降级策略、成本监控和模型版本管理。该技能提供完整的生产部署框架。